编 辑：老彭

来 源：大数据架构师

彭友们好，我是老彭。做数据治理这么多年，老彭见过最多的内耗场景，没有之一，就是数据出问题了，没人认、没人管，全都在甩锅！

业务部门说：数据是系统出的，反正跟你们IT部门脱不了关系！

IT部门说：我们只负责存数据，数据不准是数据部门的事~~~

数据部门很委屈：出bug了我们认，但是报表的代码都没动过，昨天还好好的，今天数据错了怎么能怪我头上？

跨部门协作时，主数据标准冲突、数据质量出问题，你推我挡，最后都得上升到领导层面打一架才行。

数据治理就是一个彻彻底底的泥潭，把所有人都陷进去。

其实解决这个问题的核心，就两个字：认责。

数据认责，不是简单贴个“责任人”的标签，也不是写一份空洞的制度文件，而是企业数据治理压实主体责任的核心机制。

说白了，就是通过一套体系，把数据全生命周期中各个环节的责任，清清楚楚、明明白白地分到每个部门、每个岗位，解决责任模糊、推诿扯皮的老大难问题。

今天老彭就结合实战经验，把数据认责到底该怎么做一次性讲透。老彭的新书《数据治理项目管理手册》中有更详细的阐述，欢迎扫码选购。

先纠正认知：数据认责，不是甩锅，是闭环

很多彭友对数据认责有个误区：觉得认责就是出问题之前先找好背锅侠。

所以业务部门抵触、技术部门抗拒，推进起来举步维艰。

其实不然，数据认责的核心要义，是清晰界定责任主体、搭建责任传导机制、完善组织架构，为数据治理筑牢管理根基。

它不是追责工具，而是落地保障。

更关键的是，数据认责的价值，不只是提升数据管理效率，而是通过“责任→治理→业务”的三级传导，实现数据治理效能的系统化释放，最终支撑业务数字化转型。

具体来说，核心要做好两件事，缺一不可：

1.  用工具定权责：借助RACI模型，把数据标准制定、质量管控、安全防护等每一项职责，都精确到具体岗位，避免模糊地带；

2.  用考核强落地：把数据质量合格率、问题响应及时率等指标，直接纳入部门KPI，形成责任履行→绩效奖励的正向循环，让认责不是一句空话。

老彭见过太多企业，数据认责只停留在写制度、贴标签的层面，没有考核、没有传导，最后必然沦为形式主义。

记住：没有考核的认责，都是无效认责。

最头疼的问题：责任空转和组织惯性

数据认责听起来简单，但落地起来，问题一大堆！ 

数据认责的核心重点，就是把责任分清楚、把考核做到位。

具体来说，要明确核心主体的权责边界，不能有重叠、不能有空白，比如：

1.数据所有者：主要是业务部门，对数据的真实性、完整性负责；

2.数据管理者：主要是数据管理部，统筹数据标准、质量、安全，协调跨部门问题；

3.数据使用者：全体员工，对数据的合规使用、规范操作负责。

同时，必须设计量化考核体系，把数据质量、安全合规等指标纳入部门KPI，形成问题追溯→责任认定→奖惩挂钩的全流程管理。

出了问题能找到人，做好了能得到奖励，这样责任才能真正落地。

实践中，数据认责最大的阻力，不是制度不完善，而是“人”的问题，主要集中在两点：

1.  观念和惯性难以扭转：很多企业长期数据无主，大家习惯了“事不关己高高挂起，加上责任和利益脱节，谁都会觉得认责就是加工作量，抵触情绪严重。

2.  跨域责任难界定：这是最头疼的问题。比如主数据标准冲突时，业务部门说是技术部门没做好，技术部门说是业务部门需求不明确，双方责任比例难以划分，最后要么多头管理、要么责任真空，不了了之。

老彭提醒：这些难点不突破，数据认责就只能停留在纸面上，无法形成实质性约束。后续落地时，既要做好宣贯，转变大家的认知，也要设计清晰的跨域协调机制，避免推诿扯皮。

实战落地：数据认责5步法，照做就能成

很多彭友问：老彭，数据认责太复杂，到底从哪下手？

老彭凝聚了20年实战经验的新书《数据治理项目管理手册》中给大家总结了数据认责5步法，贯穿数据全生命周期，一步一步推进，落地不踩坑。

第一步：前期调研与现状诊断

先别急着定制度、分责任，先搞清楚企业当前的数据管理现状：

• 哪些数据存在责任模糊、推诿扯皮的问题？

• 各部门对数据认责的态度是什么？

• 现有数据域怎么划分、数据资产有哪些？

核心动作：开展全公司调研，识别跨部门推诿、权责空白等痛点，同步完成数据域划分与资源盘点，形成较为完善的数据资产目录。

只有摸清家底，后续的责任分配才会精准，不会拍脑袋定责。

第二步：确定认责制度与原则

调研完成后，搭建数据认责的制度体系，明确核心原则，为后续工作提供依据。老彭建议，必须确立三个核心原则，避免走偏：

• 业务主导：遵循“谁管业务，谁管数据”的原则，应该由业务部门主导认责工作；

• 价值驱动：认责的最终目的是提升数据质量、支撑业务，不是搞形式主义；

• 权责对等：承担多大的责任，就要赋予相应的权限，避免只担责任确没有权限。

第三步：制定认责实施工作指引

制度和原则确定后，需要一份具体的实施指引，明确谁来做、做什么、怎么做。核心从三个维度入手：

• 目标：明确阶段性责任落地目标；

• 范围：按业务优先级，界定哪些数据先认责、哪些后续推进；

• 角色：划分数据生产者、所有者、管理者、使用者等核心角色，明确每个角色的基本权责。

第四步：责任矩阵构建与落地

搭建RACI责任矩阵是数据认责的核心步骤，要把责任下沉到具体岗位。

基于第一步梳理的数据资产目录，通过数据项梳理→岗位映射→权责定义→系统录入四步法，明确录入者、维护者等各类角色。

在数据采集、更新、审核、使用等全生命周期的权责，用RACI模型标注“R负责、A审批、C咨询、I知情”等关系，确保每个岗位都知道自己该做什么、该担什么责。

完成矩阵搭建后，先征求意见并小范围试运行，重点测试跨部门责任划分是否合理、问题追溯是否顺畅，及时调整优化。

第五步：执行落地与持续优化

认责体系不是一成不变的，需要持续优化、常态化运转。核心做好三件事：

1.  搭建分层管理组织：明确高层、中层、基层的认责职责，确保责任传导到位；

2.  建立问题导向的优化机制：定期收集认责过程中出现的问题，比如跨部门协调不畅、权责划分不合理等，及时调整责任矩阵和制度；

3.  培育责任文化：通过宣贯、培训，让数据有责、人人尽责的理念深入人心，打破数据无主的固有认知。

关键工具：2个表格搞定数据认责

很多彭友觉得数据认责这个事儿太复杂了，其实只要用好两个工具，就能轻松落地，这两个工具也是老彭新书里重点推荐的，可直接复用。

工具1：《RACI责任矩阵》（核心工具）

基于数据资产目录，明确六类角色（录入者、维护者、开发者、使用者、所有者、管理者）在数据全生命周期的权责，用RACI模型标注关系。例如：

R（负责）：具体执行该工作的岗位；

A（审批）：对工作结果进行审批的岗位；

C（咨询）：执行工作时需要咨询的岗位；

I（知情）：需要知晓工作进展和结果的岗位。

核心价值：把“模糊的责任”变成“明确的分工”，下沉到具体岗位，出了问题能快速追溯到责任人。

工具2：《工作流程数据认责表》

在RACI责任矩阵的基础上，加上工作流程，进一步细化工作流程，并补充具体执行岗位，实现职责到岗、责任到人。例如：

总结

记住：数据认责的本质，是让每一份数据都有责任人，每一个问题都有追溯源。

老彭看过很多企业，数据治理工作出现问题是核心原因其实不是在技术层面，而是在管理层面。

近些年来DCMM的推广其实普及了很多概念，至少知道“数据管理”这个词，让大家意识到数据治理其实是一个管理问题。

所以数据认责不是数据治理之外的工作，而是数据治理中一个非常关键的管理手段，是解决相互推诿、甩锅的关键抓手。

按照老彭分享的5步法，用好RACI责任矩阵和工作流程认责表，就能从形式化走向实质化，真正为企业数据治理工作保驾护航。

如果大家在数据认责落地过程中，遇到跨部门协调难、责任划分不清等问题，欢迎私信老彭，我会结合实战经验，给你具体的解决方案。

另外，老彭的新书《数据治理项目管理手册》里，有更详细的认责流程、工具模板和实战案例，感兴趣的彭友可以扫码选购，里面的内容全是落地干货，能帮你少走很多弯路。

我是老彭，只讲实战、只讲干货，咱们下次再见！

更多精彩：

WDO 来了，企业如何抓住数据出海的绝世良机？

甲方在开展数据战略时，应该如何规划、执行？

国数局为啥把Token叫词元！它是什么？怎么换算？有什么用？

老彭20年实战精华《数据治理项目管理手册》京东上线！看完没用你打我！

我为什么要写这本书？致每一个在数据治理路上摸爬滚打的彭友

非结构化数据怎么治理？

为什么说数据治理是端到端的？

排版 | 老彭

审校 | 老彭  主编 | 老彭